Kafka主题中PySpark结构化流的Cassandra Sink

Question

我想使用PySpark结构化流API将结构化流数据写入Cassandra。

我的数据流如下：

REST API->Kafka->Spark结构化流(PySpark(->Cassandra

来源和版本如下：Spark版本：2.4.3DataStax DSE:6.7.6-1

初始化火花：

spark = SparkSession.builder
.master("local[*]")
.appName("Analytics")
.config("kafka.bootstrap.servers", "localhost:9092")
.config("spark.cassandra.connection.host","localhost:9042")
.getOrCreate()

订阅Kafka:主题

df = spark.readStream.format("kafka")
.option("kafka.bootstrap.servers", "localhost:9092")
.option("subscribe", "topic") 
.load()

写入Cassandra:

w_df_3 = df...
write_db = w_df_3.writeStream 
.option("checkpointLocation", '/tmp/check_point/') 
.format("org.apache.spark.sql.cassandra") 
.option("keyspace", "analytics") 
.option("table", "table") 
.outputMode(outputMode="update")
.start()

使用以下命令执行：

$spark-submit --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.0,datastax:spark-cassandra-connector:2.4.0-s_2.11 Analytics.py localhost:9092 topic

在将流写入Cassandra时，我面临以下问题/异常：

py4j.protocol.Py4JJavaError: An error occurred while calling o81.start.
: java.lang.UnsupportedOperationException: Data source org.apache.spark.sql.cassandra does not support streamed writing
at org.apache.spark.sql.execution.datasources.DataSource.createSink(DataSource.scala:297)
at org.apache.spark.sql.streaming.DataStreamWriter.start(DataStreamWriter.scala:322)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:498)
at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
at py4j.Gateway.invoke(Gateway.java:282)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:238)
at java.lang.Thread.run(Thread.java:748)

有人能帮我解决问题并继续吗？任何帮助都将不胜感激。

提前谢谢。

Answer 1

正如我在评论中提到的，如果您使用DSE，您可以将OSS Apache Spark与所谓的BYOS(自带Spark(一起使用，BYOS是一个特殊的jar，包含DataStax版本的Spark Cassandra Connector(SCC(，其中包含对结构化流的直接支持。

由于SCC 2.5.0对结构化流媒体的支持在开源版本中也可用，因此您可以简单地将writeStream与Cassandra的格式一起使用。2.5.0还包含了许多以前开源中没有的好东西，比如额外的优化等。有一篇博客文章非常详细地描述了它们。

Answer 2

非常感谢您的回复。

我已经实现了将它与ForeachBatch Sink一起使用，而不是使用直接接收器。

w_df_3.writeStream
.trigger(processingTime='5 seconds')
.outputMode('update')
.foreachBatch(save_to_cassandra)
.start()

它起作用了。谢谢大家。